Привет, Хабр! Меня зовут Саша Бардаш, я CTO в MWS Octapi. В прошлых постах я рассказывал про архитектуру нашей интеграционной платформы, а сегодня хочу обсудить, как ИИ влияет на рынок вакансий. Все мы помним панику: «Фреймворки заменят программистов!», «Ноу-код убьет разработку!». В итоге — пронеслось и не задело. Но грядет волна Generative AI — и это не просто новый инструмент, а вызов для когнитивной деятельности: возможно, ИИ будет обладать компетенциями, которые раньше мы считали исключительно человеческими. И теперь это не ложная тревога.

Почему на этот раз все по-настоящему?

Исследование Стэнфорда и MIT GPTs are GPTs ввело ключевую метрику — Exposure, или степень воздействия. Согласно ему, около 80% рабочей силы США имеет хотя бы 10% задач, подверженных Exposure. ИТ-специалисты находятся в зоне максимального влияния, но паниковать рано. Ведь речь не только про замещение функций инженеров роботами, но и про снятие рутины и переформатирование рабочих задач. Так что это не конец профессии, а ее трансформация. Давайте разбираться, что нас с вами ждет.

Кризис джунов: почему войти в ИТ станет в разы сложнее

Традиционная модель: джуны делают рутину, сеньоры учат через код-ревью. ИИ ломает эту картину.

Экономика против новичков

ИИ-агенты встраиваются в код и легко решают простые задачи — порой качественнее джунов. Согласно данным GitHub, Copilot ускоряет выполнение задач разработчиков на 55%. Также в академической статье Microsoft Research The Impact of AI on Developer Productivity: Evidence from GitHub Copilot сказано, что программистам с Copilot понадобилось на решение задачи в среднем 1 ч 11 мин = 71 мин, тогда как без Copilot — 2 ч 41 мин = 161 мин, что дает аналогичные  ~55,8% ускорения.

Это значит, что один мидл с ИИ легко может выполнять объем работы двух-трех джуниоров. Экономическая целесообразность в массовом найме начинающих программистов исчезает. Компании будут оптимизировать команды, оставляя самых эффективных.

Пример из практики: если раньше джуна-аналитика нанимали для работы с документацией, то сейчас он стал не нужен, ведь эту функцию отдали на откуп GPT и иже с ним. А от разработчика, вне зависимости от грейда, требуют глубокого понимания доменной области. У джуна таких знаний пока нет, да и получить их без джуновских задач будет попросту негде.

Обучение сломано?

Исследование Knowing About Knowing рассматривает в числе прочего эффект переоценки собственных навыков при взаимодействии с ИИ-системами. Еще в одном исследовании — Human-AI Experience in Integrated Development Environments — тоже отмечают, что джуны с помощью ИИ зачастую работают быстрее, нагрузка воспринимается как более низкая. Но в этом скрывается риск: у джунов благодаря этому формируется не такое глубокое понимание темы, отсутствие возможности глубоко вникнуть и прокачать навыки, а также чрезмерное доверие ИИ, результаты работы которого все еще надо проверять. В общем, сочетание так себе.

А еще если ИИ генерирует код по best practices, то код-ревью от сеньора не содержит замечаний об этом. Джун не допускает ошибок, которые совершил бы без помощи модели, и не понимает, почему нужно делать именно так. Ценность код-ревью и обратной связи от наставника падает. Ведь он теперь проверяет и комментирует результаты нейросети, а не своего падавана.

Реинкарнация классических ролей

Итак, ИИ меняет процессы: какие-то ломает, какие-то ускоряет, а в ряде кейсов снимает с нас рутину. Естественное последствие — трансформация ролей. Рассмотрим несколько конкретных примеров, но помним, что видоизменяться благодаря генеративному ИИ рано или поздно предстоит всем.

Ручное тестирование

Конечно же, ручное тестирование уйдет в сторону автоматизации. Опыт Diffblue показал, что ИИ может генерировать до 80% юнит-тестов. И чем глубже ИИ будет прорастать в процессы тестирования (а он будет), тем больше роль QA-инженера будет смещаться в сторону QA-лида или SDET, проектирующего сложные эвристические системы и управляющего «фермой» AI-тестировщиков с помощью правильного промптинга и собственной экспертизы.

Разработка

В исследовании Human-AI Experience in Integrated Development Environments отмечают типы задач, в которых ИИ-ассистенты успешно применялись: автодополнение кода, генерация методов, помощь новичкам, улучшение документации, тестирование и другие. Постепенно спектр задач расширяется — вместе с совершенствованием нейросетевых моделей, конечно же.

И снова это означает, что знать и понимать нужно будет больше и глубже, потому что рутинный кодинг уже частично могут делать AI-агенты.

Технический писатель

Кейс NVIDIA продемонстрировал, что генеративный ИИ помогает ускорять создание контента/визуализаций и текстов. Райтеры станут лидами контентного направления и хранителями знаний (Knowledge Curator). Их задача будет в том, чтобы добывать знания и кейсы из общения с технарями, редактировать, структурировать и оформлять информацию для разных аудиторий и под разные цели, проверять и корректировать выводы ИИ.

На самом деле понятно, что это не все роли в ИТ, на которые повлияют нейрогенеративные модели. Но на этих примерах можно увидеть тренд: экспертиза должна стать серьезнее, нужно разбираться, как все работает в вашем домене, в том числе на уровне бизнеса.

AI/ML-специалисты: хайп или новая инфраструктура?

Согласно отчету Upwork (маркетплейса фриланс-работы), число еженедельных вакансий, связанных с генеративным ИИ, выросло более чем на 450% за год.

Вторят этому и другие исследования: если верить данным Института Brookings, за последние годы число объявлений о вакансиях, в которых упоминается искусственный интеллект, возросло. По данным аналитического центра, только за 2025 год количество объявлений о вакансиях, связанных с ИИ, выросло более чем на 100%. Выводы исследования основаны на данных аналитической компании Lightcast. Согласно им, за последние 15 лет среднегодовой темп роста числа вакансий, связанных с ИИ, составил почти 29%. Это превышает 11%-ный темп роста числа вакансий в экономике в целом. Также по данным Brookings, в 2025 году более 80 000 объявлений о вакансиях содержали упоминания навыков генеративного ИИ, тогда как в 2010 году таких было лишь 3780.

По данным Indeed, также растет число вакансий, связанных с так называемым ответственным ИИ, то есть этичным использованием инструментов ИИ в бизнесе и обществе. Еще одна статья — от Software Oasis — утверждает, что с 2023 по 2025 год число объявлений, в которых упоминаются Generative AI, ChatGPT, LLM, выросло почти на 150%.

Среди самых быстрорастущих ролей называют:

• Prompt Engineer / LLM Architect

• AI Integration Specialist

• Machine Learning Operations Engineer (MLOps)

• AI Product Manager

Выводы сделаете сами. Но могу по секрету сказать, что даже в кодинг-задачах мы уже часть времени тратим не на код, а на промптинг — чтобы объяснить агенту, что мы от него хотим :)

Кто в домике? Наиболее защищенные ниши

Все еще есть ниши, где нейросети пока не могут взять на себя много, хоть и стараются. Тем не менее люди все еще справляются лучше, а ИИ в них может выступить лишь как не слишком интеллектуальный помощник.

Кибербезопасность (Red Team). Кейс Google Big Sleep и академические работы Berkeley CyberGym свидетельствуют: ИИ может обнаруживать zero-day атаки, но не стабильно и не без человеческой помощи. Качество и воспроизводимость пока по-прежнему остаются проблемой. В текущем состоянии ИИ не заменяет креативный поиск людей-редтимеров, а служит усиливающим их скиллы инструментом.

Microsoft Research публиковала статью Designing Multi-Agent Generative AI: Insights from Industry Early Adopters. Об архитектуре мы поговорим дальше, но затронули исследователи и безопасность. Приведено исследование атаки memory poisoning на агентного помощника по email: система с RAG-архитектурой (retrieval-augmented generation) с тремя уровнями памяти (procedural, episodic, semantic) и инструментами чтения/записи.

В ходе эксперимента тестировали отправление единого вредоносного письма. В результате ИИ агент в 4 из 10 случаев успешно переслал вредоносные письма внешнему адресату. А после корректировки системного промпта успешность атаки и вовсе выросла до > 80%.

Системное программирование (ОС, компиляторы, драйверы) и архитектура. В упомянутой выше статье Microsoft Research Designing Multi-Agent Generative AI рассматриваются возможности и ограничения многoагентных систем, включая архитектурные вызовы. В whitepaper Microsoft Taxonomy of Failure Mode in Agentic AI Systems описаны многочисленные архитектурные и инженерные риски в системах, построенных на ИИ-агентах. Среди них автономность, взаимодействие агентов, память, контроль и безопасность. Исследователи отдельно отметили отказы сервиса и потенциальный вред для пользователей. Один из выводов документа в том, что проектирование цельной системной архитектуры (как ОС или драйвера) с участием агентных моделей ИИ требует учета множества новых рисков и режимов отказов. Это подтверждает тезис, что ИИ еще не готов взять на себя полную автономную архитектуру сложных систем без участия человека.

Аналогичные сложности указывают в исследовании архитектурных решений на основе ИИ — авторы отмечают, что системы с ИИ имеют отличительные характеристики (зависимость от данных, неопределенность моделей, частая смена требований) и что архитектурное проектирование таких систем сталкивается с особенными вызовами.

Какие есть слабые места

Вот основные проблемы и ограничения, выявленные в исследовании «Architecture Decisions in AI-based Systems Development»:

1. Проблемы проектирования (Design issues) — сложность выбора архитектурных паттернов и интеграции ИИ-компонентов с традиционными модулями.

2. Проблемы с данными (Data issues) — зависимость архитектуры от качества, источников и потоков данных, трудности в хранении и обработке больших объемов.

3. Смещение фокуса на производительность — чрезмерное внимание к скорости обучения и инференция в ущерб поддерживаемости, безопасности и масштабируемости.

4. Неопределенность и нестабильность требований — частые изменения целей, моделей и данных, из-за чего архитектура быстро устаревает.

5. Сложности интеграции ИИ-моделей в существующую архитектуру — отсутствие стандартов по тому, как и где размещать модели и их интерфейсы.

6. Сильные зависимости между данными, моделями и инфраструктурой — необходимость учитывать обучение, инференс, хранение и мониторинг как части архитектуры.

7. Отсутствие зрелых шаблонов и инструментов — недостаток проверенных архитектурных решений, ориентированных именно на ИИ-системы.

8. Низкая воспроизводимость и управляемость — трудности при изменении моделей или данных без разрушения архитектуры.

9. Высокие требования к междисциплинарным знаниям — архитектор должен понимать ИИ, DevOps, распределенные системы и управление данными одновременно.

Фундаментальные R&D. В публикации Hypotheses devised by AI could find ‘blind spots’ in research сказано, что ИИ используют для генерации гипотез в разных сферах, включая биологию и химию. Но лишь 30% предположений оказываются верны. В статье отмечается, что рассуждения ИИ сильно зависят от заданного человеком направления. Лишь в сочетании с компетентным специалистом ИИ может генерировать действительно качественные гипотезы. Также ИИ не способна пока подготовить фундаментальные ключевые вопросы для R&D и исследований и охватить весь спектр абстракции. Зато модели могут выявлять «слепые зоны» исследований. Тем не менее помощь ИИ в этой сфере скорее подсказка, усилитель, но не полноценный помощник в экспериментах.

Как остаться востребованным на рынке?

Раньше мы искали джуна, который знает ответы. В эпоху ИИ это бессмысленно. Сейчас у меня такой подход:

Отказ от «домашек». Идеальное тестовое — не показатель, вместо этого использую живое кодирование в звонке. Задача не на синтаксис, а на логику. Смотрю, как человек думает, задает уточняющие вопросы и реагирует на подсказки.

Смена фокуса на собеседовании. Не «расскажите, как работает цикл», а «вот проблема, с чего начнете ее решать?». Затем: «А теперь спросите у ИИ (ChatGPT) решение этой задачи». Смотрю, как кандидат взаимодействует с ИИ: умеет ли составлять точные промпты, анализировать и критически оценивать ответ, интегрировать его в нашу дискуссию.

Сейчас я беру ребят в команду не только за знание, но и за умение использовать ИИ как инструмент. Ценю того, кто может блестяще защитить среднее решение, а не молча сдать идеальный, но чужой код.

Для полноты картины давайте пример с мидлом. Раньше мидл должен был быть ходячей энциклопедией и быстро писать код. Сейчас все тоже иначе. На собеседовании я даю не абстрактную задачу, а кусок кода из нашего продакшена. Задача — разобраться, найти уязвимость или неочевидный баг и предложить рефакторинг.

Что именно я анализирую:

1. Не «что делает ИИ», а «как ты его используешь». Я прямо говорю: «У тебя есть 15 минут и ChatGPT. Проанализируй этот модуль». Ценно не мгновенное решение, а стратегия: какие промпты человек задает, как сегментирует проблему, как проверяет и тестирует предложенные ИИ гипотезы.

2. Мышление поверх синтаксиса. Мне не важно, помнит ли кандидат все методы массива. Важно, может ли оценить, как изменение скажется на смежных сервисах, и не сломается ли что-то еще. ИИ отлично генерирует код, но плохо предвидит системные последствия.

3. Способность к критике. Когда ИИ выдает «идеальное» решение, я жду вопроса: «А почему здесь он предлагает именно этот паттерн? Какие тут могут быть подводные камни?». Мидл не должен слепо доверять ИИ, по сути он редактор и фильтр.

Сильный мидл сегодня — это тот, кто умеет ставить правильные вопросы и вести диалог с ИИ, превращать его сырые идеи в работоспособные и надежные решения. Я ищу не исполнителя, а мыслящего архитектора, который использует ИИ как умный шуруповерт, а не как костыль.

Ну и еще пример про системного архитектора. Раньше он был хранителем фундаментальных знаний: видел сценарии развития и какие паттерны нужны. Сегодня ИИ знает все паттерны и фреймворки, его роль другая. На собеседовании я даю сломанный процесс и прошу его починить.

Анализирую:

1. Не «что», а «почему». Я прошу спроектировать систему, получаю красивый вариант и говорю: «Бюджет у нас урезан на 60% и надо запуститься через месяц. Перепроектируй». Искусство — не в идеале, а в выборе оптимального компромисса, а ИИ это как раз не удается.

2. Работа с контекстом. Я даю доступ к нашей внутренней документации (условно) и говорю: «Используй ИИ, чтобы предложить миграцию со старого решения». Тут важна не схема, которую кандидат сгенерирует, а вопросы, которые он задаст мне и ИИ. «Каковы RPS этого сервиса?», «Какие юридические ограничения?», «Где точка невозврата?». Человек должен управлять диалогом с ИИ и не только.

3. Предвидение последствий. Когда ИИ выдает готовую архитектуру микросервисов, я жду, что архитектор скажет: «Да, но это породит проблемы с консистентностью данных здесь и стоимостью сетевых вызовов там». Он должен видеть системные риски, которые ИИ не заметит.

Сильный архитектор сегодня — это фильтр и стратег. Он использует ИИ как сверхбыстрый генератор идей, но его главная ценность — в способности ставить под сомнение, оценивать риски и принимать решения в условиях неопределенности, которую ИИ не осознает.

Гайд, что конкретно делать

1. Инвестировать в soft skills: важны критическое мышление, коммуникация, управление проектами, этика. Это то, чего нет и что едва ли в ближайшее время появится у ИИ-моделей.

2. Стать T-shaped-специалистом: глубокая экспертиза в одной области + широкая эрудиция + понимание бизнеса дают вам фору даже перед самыми мощными интеллектуальными системами.

3. Освоить ИИ-инструменты своего стека как профессионал, интегрирующий их в рабочий процесс. То есть разбираться, как все устроено под капотом, уметь спускаться на уровень ниже. Учим Computer Science, погружаемся в алгоритмы, «кишочки» железок и компиляцию. Потому что перекрашивать кнопки ИИ уже прекрасно научился.

4. Развивать предметную экспертизу (Domain Expertise). Самые неуязвимые специалисты — те, кто глубже всех понимает предметную область (медицина, финансы, телеком), а не только код. Именно такой уровень понимания нужен в специфических проектах — финтех, медтех и так далее. Станьте незаменимым!

Рынок не схлопывается, но переживает структурный шок. Путь «выучил язык → устроился джуном → растешь в грейде» перестает быть массовым. Ценность специалиста смещается от скорости написания кода к глубине понимания проблемы и способности решить ее с привлечением всех доступных средств, включая ИИ.

А что думаете вы? Готовы к изменениям? Делитесь в комментариях!

P. S. Мы строим интеграционную платформу нового поколения, где ИИ ее важная часть.